วิธีที่ไม่เหมาะสมก่อนนำไปสู่การกระจายหลังที่เหมาะสมได้อย่างไร


22

เรารู้ว่าในกรณีที่มีการกระจายก่อนที่เหมาะสม

P(θX)=P(Xθ)P(θ)P(X)

)P(Xθ)P(θ)

เหตุผลปกติสำหรับขั้นตอนนี้ก็คือการกระจายตัวของ , P ( X )นั้นคงที่เมื่อเทียบกับθและสามารถถูกละเว้นได้เมื่อได้รับการแจกแจงหลังXP(X)θ

อย่างไรก็ตามในกรณีที่ไม่เหมาะสมมาก่อนคุณจะรู้ได้อย่างไรว่าการกระจายหลังมีอยู่จริง? ดูเหมือนจะมีบางสิ่งที่ขาดหายไปในข้อโต้แย้งที่เป็นวงกลม กล่าวอีกนัยหนึ่งถ้าฉันคิดว่ามีอยู่หลังฉันเข้าใจกลไกของการได้รับมา แต่ฉันดูเหมือนจะหายไปในทางทฤษฎีเหตุผลว่าทำไมมันถึงมีอยู่

ป.ล. ฉันยังรับรู้ว่ามีบางกรณีที่ก่อนหน้านี้ไม่เหมาะสมนำไปสู่การหลังที่ไม่เหมาะสม

คำตอบ:


16

โดยทั่วไปเรายอมรับผู้โพสต์จากนักบวชที่ไม่เหมาะสมถ้า π ( X θ ) π ( θ )π(θ) มีอยู่และเป็นการแจกแจงความน่าจะเป็นที่ถูกต้อง (เช่นมันรวมเข้ากับ 1 มากกว่าการสนับสนุน) หลักนี้เดือดลงไปπ(X)=π(X|θ)π(θ)

π(Xθ)π(θ)π(X)
มีขอบเขต จำกัด หากเป็นกรณีนี้เราเรียกปริมาณนี้ว่า π ( θ X )และยอมรับว่าเป็นการแจกแจงหลังที่เราต้องการ อย่างไรก็ตามมันเป็นสิ่งสำคัญที่จะต้องทราบว่านี่ไม่ใช่การแจกแจงหลังและไม่เป็นการกระจายความน่าจะเป็นแบบมีเงื่อนไข (คำสองคำนี้มีความหมายเหมือนกันในบริบทที่นี่)π(X)=π(Xθ)π(θ)dθπ(θX)

ตอนนี้ฉันบอกว่าเรายอมรับการแจกแจง 'หลัง' จากนักบวชที่ไม่เหมาะสมตามที่กล่าวไว้ข้างต้น เหตุผลที่พวกเขาได้รับการยอมรับเป็นเพราะก่อนจะยังคงให้เรา 'คะแนน' ญาติในพื้นที่พารามิเตอร์; นั่นคืออัตราส่วนπ ( θ 1 )π(θ)นำความหมายมาสู่การวิเคราะห์ของเรา ความหมายที่เราได้รับจากนักบวชที่ไม่เหมาะสมในบางกรณีอาจไม่สามารถใช้ได้ในนักบวชที่เหมาะสม นี่คือเหตุผลที่เป็นไปได้สำหรับการใช้พวกเขา ดูคำตอบของ Sergio สำหรับการตรวจสอบแรงจูงใจในทางปฏิบัติสำหรับนักบวชที่ไม่เหมาะสมอย่างละเอียดยิ่งขึ้นπ(θ1)π(θ2)

เป็นที่น่าสังเกตว่าปริมาณนี้มีคุณสมบัติทางทฤษฎีที่ต้องการเช่นกันDegroot & Schervish :π(θX)

ไพรเออร์ที่ไม่เหมาะสมไม่ใช่การแจกแจงความน่าจะเป็นที่แท้จริง แต่ถ้าเราแกล้งว่าพวกมันเป็นเราจะคำนวณการแจกแจงหลังที่ประมาณผู้โปสเตอร์ที่เราจะได้รับจากการใช้คอนจูเกเตอร์คอนจูเกตที่เหมาะสม


ฉันรู้สึกสับสนเล็กน้อยในคำตอบของคุณ คุณบอกว่าเรายอมรับผู้โพสต์ด้านบนหากมีขอบเขต จำกัด นั่นหมายความว่าถ้าอินทิกรัลนั้นไม่ จำกัด ด้านหลังจะไม่แน่นอน? นอกจากนี้คุณดูเหมือนจะบอกเป็นนัยว่าเราใช้คนหลังในกรณีนี้ แต่มันไม่ใช่การกระจายที่แท้จริง - ใช่ไหม? ไม่มีกรณีที่มีการจำหน่ายจริงหรือ นอกจากนี้อัตราส่วนของนักบวชเกี่ยวข้องกับเรื่องนี้อย่างไร? ฉันไม่เห็นการเชื่อมต่อ
Ben Elizabeth Ward

@BenElizabethWard If π(θX)มีอยู่แล้วอินทิกรัลจะต้องมีอยู่ (และจะต้องมี จำกัด ) contrapositive เป็นความจริงเช่นกัน: ถ้าπ ( X )ไม่อยู่ (เป็นอนันต์) แล้วπ ( θ | X )ไม่อยู่ เมื่อมันมีอยู่และเป็นการแจกแจงความน่าจะเป็นที่ถูกต้องπ ( θ X )คือการแจกแจงความน่าจะเป็น อย่างไรก็ตามมันไม่ใช่การแจกแจงแบบหลังสำหรับπ ( θ ) ที่มีความเป็นไปได้ของข้อมูลที่ได้รับπ(X)π(X)π(θX)π(θX)π(θ) ) ไม่มีโปสเตอร์หลังสำหรับสิ่งนั้นมาก่อน เรายอมรับ π ( θ X )ในการวิเคราะห์ของเราเพราะเป็นการประมาณ π(Xθ)π(θX)

1
@BenElizabethWard อัตราส่วนถูกใช้เพื่อแสดงให้เห็นว่าก่อนหน้านี้ยังมีข้อมูลที่เป็นประโยชน์ที่เราอาจไม่สามารถโหลดลงในที่เหมาะสมก่อน ฉันจะแก้ไขคำตอบเพื่อรวมสิ่งนี้

2
@jsk ไม่ใช่การแจกแจงความน่าจะเป็น แต่คำจำกัดความของการแจกแจงหลังนั้นต้องการ π ( θ )เป็นการกระจายความน่าจะเป็นดังนั้นจึงเป็นการโกงที่จะเรียก π ( θ X )การกระจายหลังเมื่อมันเป็นการแจกแจงความน่าจะเป็น Degroot & Schervish พูดว่า '.. เราจะคำนวณการแจกแจงหลังที่ .. ' โดยที่พวกเขาสมมติว่าคุณตกลงที่จะ 'เสแสร้งว่าพวกเขา [นักบวชที่ไม่เหมาะสม] เป็น [นักบวชที่เหมาะสม] เป็น [นักบวชที่เหมาะสม]' ตามที่แสดงไว้ก่อนหน้านี้ π(θ)π(θ)π(θX)

1
เพื่อให้คำตอบสมบูรณ์และอยู่ในตัวเองเพื่อให้ผู้อ่านในอนาคตไม่จำเป็นต้องอ่านผ่านการแลกเปลี่ยนความคิดเห็นนี้คุณต้องการอัปเดตคำตอบของคุณหรือไม่
jsk

9

มีคำตอบ "เชิงทฤษฎี" และคำตอบที่ "จริงจัง"

จากมุมมองทางทฤษฎีเมื่อก่อนไม่เหมาะสมคนหลังไม่มีอยู่ (ดูที่คำตอบของแมทธิวสำหรับคำแถลงเสียง) แต่อาจถูกประมาณโดยแบบฟอร์มที่ จำกัด

หากข้อมูลประกอบด้วยตัวอย่าง iid แบบมีเงื่อนไขจากการแจกแจงแบบ Bernoulli พร้อมพารามิเตอร์และθมีการแจกแจงแบบเบต้าพร้อมพารามิเตอร์αและβการแจกแจงหลังของθคือการแจกแจงแบบเบต้าด้วยพารามิเตอร์α + s , β + n - s ( nการสังเกตความสำเร็จs ) และค่าเฉลี่ยของมันคือ( α + s ) / ( α + β + n )θθαβθα+s,β+nsns(α+s)/(α+β+n). ถ้าเราใช้การกระจายที่ไม่เหมาะสม (และไม่จริง) เบต้าก่อนกับ hypeparameters ก่อนและแกล้งทำเป็นว่าπ ( θ ) α θ - 1 ( 1 - θ ) - 1เราได้รับหลังที่เหมาะสมได้สัดส่วนกับθ s - 1 ( 1 - θ ) n - s - 1 , คือ pdf ของการแจกแจงเบต้าพร้อมพารามิเตอร์sและn - sα=β=0π(θ)θ1(1θ)1θs1(1θ)ns1snsยกเว้นปัจจัยคงที่ นี่เป็นรูปแบบที่ จำกัด ของส่วนหลังสำหรับเบต้าก่อนหน้าด้วยพารามิเตอร์และβ 0 (Degroot & Schervish ตัวอย่าง 7.3.13)α0β0

θσ2N(μ0,τ02)θ1/τ02n/σ2τ02=

p(θx)N(θx¯,σ2/n)
p(θ)θ(,)τ02

p(xθ)p(θ)=0p(xθ)=0p(θ)p(xθ)0(a,b)p(xθ)p(θ)dθ=abp(xθ)p(θ)dθ(a,b)f(x)=k,x(,)f(x)=kx1,x(0,)(a,b)θU(,)(a,b)θU(a,b)p(xθ)p(θ)=p(xθ)kp(xθ)


คุณสามารถพูดเพิ่มเติมเกี่ยวกับสาเหตุที่ไม่มีในมุมมองทางทฤษฎีได้หรือไม่?
jsk

ฉันไม่สามารถอธิบายได้ดีกว่า Matthew ในคำตอบและความคิดเห็นของเขา
Sergio

p(θx)p(xθ)

P(θ)=kx1xP(θ)=kθ1

yxξ(.)

2

อย่างไรก็ตามในกรณีที่ไม่เหมาะสมมาก่อนคุณจะรู้ได้อย่างไรว่าการกระจายหลังมีอยู่จริง?

หลังอาจไม่เหมาะสมเช่นกัน หากก่อนหน้านี้ไม่เหมาะสมและมีโอกาสที่จะแบน (เพราะไม่มีการสังเกตที่มีความหมาย) จากนั้นผู้หลังเท่ากับก่อนหน้านี้และยังไม่เหมาะสม

โดยปกติแล้วคุณมีข้อสังเกตบางอย่างและความเป็นไปได้ที่จะไม่ราบเรียบดังนั้นคนหลังจึงเหมาะสม

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.